{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5374266"},"canonical_url":"https://search.dev.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5374266","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"DART-RAG: Dynamic Agentic Replanning for Trustworthy Retrieval-Augmented Generation in Scientific QA","abstract":"Η Παραγωγή Επαυξημένη με Ανάκτηση (RAG) αποτελεί μια πολλά υποσχόμενη προσέγ- γιση για τη θεμελίωση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε εξωτερική γνώση, αλλά τα τρέχοντα πλαίσια συστημάτων με ένα ή πολλαπλούς πράκτορες δυσκολεύονται με επιστημονικά ερωτήματα που απαιτούν συλλογιστική πολλαπλών βημάτων και λεπτομερή απόδοση πηγών. Τέτοια συστήματα συχνά βασίζονται σε δύσκαμπτα, προκαθορισμένα σχέδια που αδυνατούν να προσαρμοστούν όταν τα ανακτηθέντα τεκμήρια αποκαλύπτουν κενά πληροφοριών, ενώ συχνά θυσιάζουν την αξιοπιστία δημιουργώντας αφαιρετικές πε- ριλήψεις επιρρεπείς σε ψευδαισθήσεις (hallucinations). Για την αντιμετώπιση αυτών των περιορισμών, παρουσιάζουμε το DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), ένα αρθρωτό πλαίσιο που δεν απαιτεί εκπαί- δευση, σχεδιασμένο για αξιόπιστες επιστημονικές Ερωταποκρίσεις (QA) ανοιχτού πεδίου. Λειτουργώντας πάνω σε μια συλλογή περισσότερων από 3 εκατομμυρίων εργασιών πλή- ρους κειμένου προερχόμενων από τα σώματα κειμένων του Semantic Scholar, το DART- RAG διακρίνεται μέσω ενός μηχανισμού προσαρμοστικού επανασχεδιασμού που αξιολο- γεί δυναμικά την εσωτερική κατάσταση του συστήματος, επιτρέποντάς του να περικόπτει πλεονάζοντα βήματα, να επεκτείνει τις τροχιές αναζήτησης ή να τερματίζει πρόωρα με βάση την επάρκεια των συλλεχθέντων στοιχείων. Επιπλέον, η προσέγγισή μας επιδιώκει να ενσωματώσει αυτούσια αποσπάσματα πηγών, με στόχο τη θεμελίωση των παραγόμενων ισχυρισμών σε σχετικές παραπομπές. Ακολου- θώντας προηγούμενες εργασίες, αξιολογούμε την προσέγγιση μας χρησιμοποιώντας ένα ολοκληρωμένο πρωτόκολλο «LLM-ως-κριτή» (LLM-as-a-judge) στους άξονες Σχετικότη- τα Απάντησης, Σχετικότητα Πλαισίου, Πιστότητα, Ορθότητα και Επάρκεια. Πειράματα σε υποσύνολα των συνόλων δεδομένων UnArXive (Expert και Simple) και BioASQ δείχνουν ότι το DART-RAG επιτυγχάνει ποσοστό επιτυχίας 76,5% στην Ορθότητα Απάντησης, υ- περέχοντας μιας παραδοσιακής βάσης αναφοράς RAG κατά 20 ποσοστιαίες μονάδες. Σε σύγκριση με μια ισχυρή αρχιτεκτονική πολλαπλών πρακτόρων, το DART-RAG επιδεικνύ- ει ανώτερη προσαρμοστικότητα, βελτιώνοντας την Επάρκεια Απάντησης κατά 8,8 ποσο- στιαίες μονάδες και τη Σχετικότητα Πλαισίου κατά 7,2 ποσοστιαίες μονάδες, διατηρώντας παράλληλα σχεδόν τέλεια Πιστότητα (99%). Αφαιρετική μελέτη (ablation study) επιβε- βαιώνει ότι ο Μηχανισμός Επανασχεδιασμού (Replanner) αποτελεί κρίσιμο στοιχείο που οδηγεί σε αυτά τα οφέλη με ελάχιστη υπολογιστική επιβάρυνση. Το DART-RAG προσφέ- ρει μια κλιμακώσιμη, διαφανή προσέγγιση για αυστηρές επιστημονικές ερωταποκρίσεις.","abstract_html":"Η Παραγωγή Επαυξημένη με Ανάκτηση (RAG) αποτελεί μια πολλά υποσχόμενη προσέγ- γιση για τη θεμελίωση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε εξωτερική γνώση, αλλά τα τρέχοντα πλαίσια συστημάτων με ένα ή πολλαπλούς πράκτορες δυσκολεύονται με επιστημονικά ερωτήματα που απαιτούν συλλογιστική πολλαπλών βημάτων και λεπτομερή απόδοση πηγών. Τέτοια συστήματα συχνά βασίζονται σε δύσκαμπτα, προκαθορισμένα σχέδια που αδυνατούν να προσαρμοστούν όταν τα ανακτηθέντα τεκμήρια αποκαλύπτουν κενά πληροφοριών, ενώ συχνά θυσιάζουν την αξιοπιστία δημιουργώντας αφαιρετικές πε- ριλήψεις επιρρεπείς σε ψευδαισθήσεις (hallucinations). Για την αντιμετώπιση αυτών των περιορισμών, παρουσιάζουμε το DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), ένα αρθρωτό πλαίσιο που δεν απαιτεί εκπαί- δευση, σχεδιασμένο για αξιόπιστες επιστημονικές Ερωταποκρίσεις (QA) ανοιχτού πεδίου. Λειτουργώντας πάνω σε μια συλλογή περισσότερων από 3 εκατομμυρίων εργασιών πλή- ρους κειμένου προερχόμενων από τα σώματα κειμένων του Semantic Scholar, το DART- RAG διακρίνεται μέσω ενός μηχανισμού προσαρμοστικού επανασχεδιασμού που αξιολο- γεί δυναμικά την εσωτερική κατάσταση του συστήματος, επιτρέποντάς του να περικόπτει πλεονάζοντα βήματα, να επεκτείνει τις τροχιές αναζήτησης ή να τερματίζει πρόωρα με βάση την επάρκεια των συλλεχθέντων στοιχείων. Επιπλέον, η προσέγγισή μας επιδιώκει να ενσωματώσει αυτούσια αποσπάσματα πηγών, με στόχο τη θεμελίωση των παραγόμενων ισχυρισμών σε σχετικές παραπομπές. Ακολου- θώντας προηγούμενες εργασίες, αξιολογούμε την προσέγγιση μας χρησιμοποιώντας ένα ολοκληρωμένο πρωτόκολλο «LLM-ως-κριτή» (LLM-as-a-judge) στους άξονες Σχετικότη- τα Απάντησης, Σχετικότητα Πλαισίου, Πιστότητα, Ορθότητα και Επάρκεια. Πειράματα σε υποσύνολα των συνόλων δεδομένων UnArXive (Expert και Simple) και BioASQ δείχνουν ότι το DART-RAG επιτυγχάνει ποσοστό επιτυχίας 76,5% στην Ορθότητα Απάντησης, υ- περέχοντας μιας παραδοσιακής βάσης αναφοράς RAG κατά 20 ποσοστιαίες μονάδες. Σε σύγκριση με μια ισχυρή αρχιτεκτονική πολλαπλών πρακτόρων, το DART-RAG επιδεικνύ- ει ανώτερη προσαρμοστικότητα, βελτιώνοντας την Επάρκεια Απάντησης κατά 8,8 ποσο- στιαίες μονάδες και τη Σχετικότητα Πλαισίου κατά 7,2 ποσοστιαίες μονάδες, διατηρώντας παράλληλα σχεδόν τέλεια Πιστότητα (99%). Αφαιρετική μελέτη (ablation study) επιβε- βαιώνει ότι ο Μηχανισμός Επανασχεδιασμού (Replanner) αποτελεί κρίσιμο στοιχείο που οδηγεί σε αυτά τα οφέλη με ελάχιστη υπολογιστική επιβάρυνση. Το DART-RAG προσφέ- ρει μια κλιμακώσιμη, διαφανή προσέγγιση για αυστηρές επιστημονικές ερωταποκρίσεις.","abstract_has_math":false,"creators":["ΚΑΚΑΛΗΣ ΕΥΣΤΡΑΤΙΟΣ ΠΑΣΧΑΛΗΣ","KAKALIS EFSTRATIOS PASCHALIS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-24T01:02:19Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5374266"],"render_values":[{"text":"uoadl:5374266","href":null,"code":true}]}]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5374266","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΚΑΚΑΛΗΣ ΕΥΣΤΡΑΤΙΟΣ ΠΑΣΧΑΛΗΣ","KAKALIS EFSTRATIOS PASCHALIS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5374266","https://pergamos.lib.uoa.gr/uoa/dl/object/5374266"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η Παραγωγή Επαυξημένη με Ανάκτηση (RAG) αποτελεί μια πολλά υποσχόμενη προσέγ- γιση για τη θεμελίωση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε εξωτερική γνώση, αλλά τα τρέχοντα πλαίσια συστημάτων με ένα ή πολλαπλούς πράκτορες δυσκολεύονται με επιστημονικά ερωτήματα που απαιτούν συλλογιστική πολλαπλών βημάτων και λεπτομερή απόδοση πηγών. Τέτοια συστήματα συχνά βασίζονται σε δύσκαμπτα, προκαθορισμένα σχέδια που αδυνατούν να προσαρμοστούν όταν τα ανακτηθέντα τεκμήρια αποκαλύπτουν κενά πληροφοριών, ενώ συχνά θυσιάζουν την αξιοπιστία δημιουργώντας αφαιρετικές πε- ριλήψεις επιρρεπείς σε ψευδαισθήσεις (hallucinations). Για την αντιμετώπιση αυτών των περιορισμών, παρουσιάζουμε το DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), ένα αρθρωτό πλαίσιο που δεν απαιτεί εκπαί- δευση, σχεδιασμένο για αξιόπιστες επιστημονικές Ερωταποκρίσεις (QA) ανοιχτού πεδίου. Λειτουργώντας πάνω σε μια συλλογή περισσότερων από 3 εκατομμυρίων εργασιών πλή- ρους κειμένου προερχόμενων από τα σώματα κειμένων του Semantic Scholar, το DART- RAG διακρίνεται μέσω ενός μηχανισμού προσαρμοστικού επανασχεδιασμού που αξιολο- γεί δυναμικά την εσωτερική κατάσταση του συστήματος, επιτρέποντάς του να περικόπτει πλεονάζοντα βήματα, να επεκτείνει τις τροχιές αναζήτησης ή να τερματίζει πρόωρα με βάση την επάρκεια των συλλεχθέντων στοιχείων. Επιπλέον, η προσέγγισή μας επιδιώκει να ενσωματώσει αυτούσια αποσπάσματα πηγών, με στόχο τη θεμελίωση των παραγόμενων ισχυρισμών σε σχετικές παραπομπές. Ακολου- θώντας προηγούμενες εργασίες, αξιολογούμε την προσέγγιση μας χρησιμοποιώντας ένα ολοκληρωμένο πρωτόκολλο «LLM-ως-κριτή» (LLM-as-a-judge) στους άξονες Σχετικότη- τα Απάντησης, Σχετικότητα Πλαισίου, Πιστότητα, Ορθότητα και Επάρκεια. Πειράματα σε υποσύνολα των συνόλων δεδομένων UnArXive (Expert και Simple) και BioASQ δείχνουν ότι το DART-RAG επιτυγχάνει ποσοστό επιτυχίας 76,5% στην Ορθότητα Απάντησης, υ- περέχοντας μιας παραδοσιακής βάσης αναφοράς RAG κατά 20 ποσοστιαίες μονάδες. Σε σύγκριση με μια ισχυρή αρχιτεκτονική πολλαπλών πρακτόρων, το DART-RAG επιδεικνύ- ει ανώτερη προσαρμοστικότητα, βελτιώνοντας την Επάρκεια Απάντησης κατά 8,8 ποσο- στιαίες μονάδες και τη Σχετικότητα Πλαισίου κατά 7,2 ποσοστιαίες μονάδες, διατηρώντας παράλληλα σχεδόν τέλεια Πιστότητα (99%). Αφαιρετική μελέτη (ablation study) επιβε- βαιώνει ότι ο Μηχανισμός Επανασχεδιασμού (Replanner) αποτελεί κρίσιμο στοιχείο που οδηγεί σε αυτά τα οφέλη με ελάχιστη υπολογιστική επιβάρυνση. Το DART-RAG προσφέ- ρει μια κλιμακώσιμη, διαφανή προσέγγιση για αυστηρές επιστημονικές ερωταποκρίσεις.","Retrieval-Augmented Generation (RAG) is a promising approach for grounding Large Lan- guage Models (LLMs) in external knowledge, but current single- and multi-agent frame- works struggle with scientific queries that require multi-step reasoning and rigorous at- tribution. Such systems often rely on rigid, pre-computed plans that fail to adapt when retrieved evidence reveals information gaps, and they frequently sacrifice trustworthiness by generating abstractive summaries prone to hallucination. To address these limitations, we present DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), a modular, training-free framework designed for trustworthy open-domain scientific Question Answer- ing (QA). Operating over a collection of more than 3 million full-text papers derived from Semantic Scholar corpora, DART-RAG distinguishes itself through an adaptive replanning mechanism that dynamically evaluates the system’s internal state, allowing it to prune re- dundant steps, expand search trajectories, or terminate early based on the sufficiency of gathered evidence. Furthermore, our approach seeks to incorporate verbatim source extracts, with the goal of grounding generated claims in relevant citations. Following pre- vious works, we evaluate our approach using a comprehensive LLM-as-a-judge protocol across Answer Relevance, Contextual Relevance, Faithfulness, and Correctness. Ex- periments on subsets of the UnArXive (Expert and Simple) and BioASQ datasets show that DART-RAG achieves a 76.5% success rate in Answer Correctness, outperforming a traditional RAG baseline by 20 percentage points. Compared to a strong multi-agent ar- chitecture, DART-RAG demonstrates superior adaptability, improving Answer Sufficiency by 8.8 percentage points and Contextual Relevance by 7.2 percentage points, while main- taining near-perfect Faithfulness (99%). Ablation studies confirm that the Replanner is a critical component, driving these gains with minimal computational overhead. DART-RAG offers a scalable, transparent approach to rigorous scientific QA."]},{"key":"dc:title","label":"Title","values":["DART-RAG: Dynamic Agentic Replanning for Trustworthy Retrieval-Augmented Generation in Scientific QA"]}]}],"canonical_facts":{"dc:creator":["ΚΑΚΑΛΗΣ ΕΥΣΤΡΑΤΙΟΣ ΠΑΣΧΑΛΗΣ","KAKALIS EFSTRATIOS PASCHALIS"],"dc:date":["2026"],"dc:description":["Η Παραγωγή Επαυξημένη με Ανάκτηση (RAG) αποτελεί μια πολλά υποσχόμενη προσέγ- γιση για τη θεμελίωση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) σε εξωτερική γνώση, αλλά τα τρέχοντα πλαίσια συστημάτων με ένα ή πολλαπλούς πράκτορες δυσκολεύονται με επιστημονικά ερωτήματα που απαιτούν συλλογιστική πολλαπλών βημάτων και λεπτομερή απόδοση πηγών. Τέτοια συστήματα συχνά βασίζονται σε δύσκαμπτα, προκαθορισμένα σχέδια που αδυνατούν να προσαρμοστούν όταν τα ανακτηθέντα τεκμήρια αποκαλύπτουν κενά πληροφοριών, ενώ συχνά θυσιάζουν την αξιοπιστία δημιουργώντας αφαιρετικές πε- ριλήψεις επιρρεπείς σε ψευδαισθήσεις (hallucinations). Για την αντιμετώπιση αυτών των περιορισμών, παρουσιάζουμε το DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), ένα αρθρωτό πλαίσιο που δεν απαιτεί εκπαί- δευση, σχεδιασμένο για αξιόπιστες επιστημονικές Ερωταποκρίσεις (QA) ανοιχτού πεδίου. Λειτουργώντας πάνω σε μια συλλογή περισσότερων από 3 εκατομμυρίων εργασιών πλή- ρους κειμένου προερχόμενων από τα σώματα κειμένων του Semantic Scholar, το DART- RAG διακρίνεται μέσω ενός μηχανισμού προσαρμοστικού επανασχεδιασμού που αξιολο- γεί δυναμικά την εσωτερική κατάσταση του συστήματος, επιτρέποντάς του να περικόπτει πλεονάζοντα βήματα, να επεκτείνει τις τροχιές αναζήτησης ή να τερματίζει πρόωρα με βάση την επάρκεια των συλλεχθέντων στοιχείων. Επιπλέον, η προσέγγισή μας επιδιώκει να ενσωματώσει αυτούσια αποσπάσματα πηγών, με στόχο τη θεμελίωση των παραγόμενων ισχυρισμών σε σχετικές παραπομπές. Ακολου- θώντας προηγούμενες εργασίες, αξιολογούμε την προσέγγιση μας χρησιμοποιώντας ένα ολοκληρωμένο πρωτόκολλο «LLM-ως-κριτή» (LLM-as-a-judge) στους άξονες Σχετικότη- τα Απάντησης, Σχετικότητα Πλαισίου, Πιστότητα, Ορθότητα και Επάρκεια. Πειράματα σε υποσύνολα των συνόλων δεδομένων UnArXive (Expert και Simple) και BioASQ δείχνουν ότι το DART-RAG επιτυγχάνει ποσοστό επιτυχίας 76,5% στην Ορθότητα Απάντησης, υ- περέχοντας μιας παραδοσιακής βάσης αναφοράς RAG κατά 20 ποσοστιαίες μονάδες. Σε σύγκριση με μια ισχυρή αρχιτεκτονική πολλαπλών πρακτόρων, το DART-RAG επιδεικνύ- ει ανώτερη προσαρμοστικότητα, βελτιώνοντας την Επάρκεια Απάντησης κατά 8,8 ποσο- στιαίες μονάδες και τη Σχετικότητα Πλαισίου κατά 7,2 ποσοστιαίες μονάδες, διατηρώντας παράλληλα σχεδόν τέλεια Πιστότητα (99%). Αφαιρετική μελέτη (ablation study) επιβε- βαιώνει ότι ο Μηχανισμός Επανασχεδιασμού (Replanner) αποτελεί κρίσιμο στοιχείο που οδηγεί σε αυτά τα οφέλη με ελάχιστη υπολογιστική επιβάρυνση. Το DART-RAG προσφέ- ρει μια κλιμακώσιμη, διαφανή προσέγγιση για αυστηρές επιστημονικές ερωταποκρίσεις.","Retrieval-Augmented Generation (RAG) is a promising approach for grounding Large Lan- guage Models (LLMs) in external knowledge, but current single- and multi-agent frame- works struggle with scientific queries that require multi-step reasoning and rigorous at- tribution. Such systems often rely on rigid, pre-computed plans that fail to adapt when retrieved evidence reveals information gaps, and they frequently sacrifice trustworthiness by generating abstractive summaries prone to hallucination. To address these limitations, we present DART-RAG (Dynamic Agentic Replanning for Trustworthy RAG), a modular, training-free framework designed for trustworthy open-domain scientific Question Answer- ing (QA). Operating over a collection of more than 3 million full-text papers derived from Semantic Scholar corpora, DART-RAG distinguishes itself through an adaptive replanning mechanism that dynamically evaluates the system’s internal state, allowing it to prune re- dundant steps, expand search trajectories, or terminate early based on the sufficiency of gathered evidence. Furthermore, our approach seeks to incorporate verbatim source extracts, with the goal of grounding generated claims in relevant citations. Following pre- vious works, we evaluate our approach using a comprehensive LLM-as-a-judge protocol across Answer Relevance, Contextual Relevance, Faithfulness, and Correctness. Ex- periments on subsets of the UnArXive (Expert and Simple) and BioASQ datasets show that DART-RAG achieves a 76.5% success rate in Answer Correctness, outperforming a traditional RAG baseline by 20 percentage points. Compared to a strong multi-agent ar- chitecture, DART-RAG demonstrates superior adaptability, improving Answer Sufficiency by 8.8 percentage points and Contextual Relevance by 7.2 percentage points, while main- taining near-perfect Faithfulness (99%). Ablation studies confirm that the Replanner is a critical component, driving these gains with minimal computational overhead. DART-RAG offers a scalable, transparent approach to rigorous scientific QA."],"dc:identifier":["uoadl:5374266","https://pergamos.lib.uoa.gr/uoa/dl/object/5374266"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["DART-RAG: Dynamic Agentic Replanning for Trustworthy Retrieval-Augmented Generation in Scientific QA"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-07-24T01:02:19Z"}